Definindo variáveis categóricas

Trabalhando com dados categóricos em Python

Kasey Jones

Research Data Scientist

Novo dataset: cães para adoção

dogs.info()

RangeIndex: 2937 entries, 0 to 2936, Data columns (total 19 columns):
 #   Column             Non-Null Count  Dtype  
 --  ------             --------------  -----  
 0   ID                 2937 non-null   int64  
 ...
 8   color              2937 non-null   object 
 9   coat               2937 non-null   object 
 ...
 17  get_along_cats     431 non-null    object 
 18  keep_in            1916 non-null   object 
dtypes: float64(1), int64(1), object(17)
memory usage: 436.1+ KB
...

¹ https://www.kaggle.com/jmolitoris/adoptable-dogs

Pelagem do cão

dogs["coat"] = dogs["coat"].astype("category")
dogs["coat"].value_counts(dropna=False)

short         1972
medium         565
wirehaired     220
long           180
Name: coat, dtype: int64

O acessor .cat

Series.cat.method_name

Parâmetros comuns:

new_categories: lista de categorias
inplace: Booleano — se a atualização deve sobrescrever a Series
ordered: Booleano — se o categórico é tratado como ordenado

Definindo categorias de uma Series

Definir categorias:

dogs["coat"] = dogs["coat"].cat.set_categories(
  new_categories=["short", "medium", "long"]
)

Verificar contagens:

dogs["coat"].value_counts(dropna=False)

short     1972
medium     565
NaN        220
long       180

Definindo a ordem

dogs["coat"] = dogs["coat"].cat.set_categories(
  new_categories=["short", "medium", "long"],
  ordered=True
)
dogs["coat"].head(3)

0     short
1     short
2     short
Name: coat, dtype: category
Categories (3, object): ['short' < 'medium' < 'long']

Categorias ausentes

dogs["likes_people"].value_counts(dropna=False)

yes    1991
NaN     938
no        8

Um NaN pode significar:

Realmente desconhecido (não verificamos)
Não deu para saber (o cão gosta de “algumas” pessoas)

Adicionando categorias

Adicionar categorias

dogs["likes_people"] = dogs["likes_people"].astype("category")
dogs["likes_people"] = dogs["likes_people"].cat.add_categories(
  new_categories=["did not check", "could not tell"]
)

Verificar categorias:

dogs["likes_people"].cat.categories

Index(['no', 'yes', 'did not check', 'could not tell'], dtype='object')

Novas categorias

dogs["likes_people"].value_counts(dropna=False)

yes               1991
NaN                938
no                   8
could not tell       0
did not check        0

Removendo categorias

dogs["coat"] = dogs["coat"].astype("category")
dogs["coat"] = dogs["coat"].cat.remove_categories(removals=["wirehaired"])

Verificar as categorias:

dogs["coat"].cat.categories

Index(['long', 'medium', 'short'], dtype='object')

Resumo dos métodos

Definir: cat.set_categories()
- Pode definir a ordem das categorias
- Todos os valores não especificados aqui são descartados
Adicionar: cat.add_categories()
- Não altera nenhum valor do DataFrame
- Categorias não listadas ficam inalteradas
Remover: cat.remove_categories()
- Valores das categorias listadas viram NaN

Prática: atualizar categorias

Trabalhando com dados categóricos em Python